O mercado já precifica um ganho de 32,6% na produtividade da engenharia de software, calcula estudo do NBER

Working paper usa preços de ações para medir expectativa, não produtividade observada. Os autores estimam um efeito de 3,6% sobre o nível do PIB e afirmam que, até meados de 2026, o número mais que dobrou.

Um working paper divulgado em setembro de 2026 pelo National Bureau of Economic Research (NBER) propõe uma maneira incomum de medir o efeito econômico da inteligência artificial. Em vez de esperar o ganho de produtividade aparecer nas estatísticas oficiais, os autores foram procurá-lo no preço das ações.

O estudo The Macroeconomic Effect of AI: Sizing the Software Engineering Channel é assinado por Alex Blumenfeld, Jonathon Hazell, da London School of Economics, Chen Lian e Andreas Schaab, ambos do departamento de economia da Universidade da Califórnia em Berkeley e faculty research fellows do NBER. A pergunta que ele tenta responder é estreita de propósito: quanto a inteligência artificial altera a economia por um canal específico, o da produtividade em engenharia de software.

O resultado central, conforme o resumo público do paper: de novembro de 2022 a dezembro de 2025, a IA elevou o valor presente esperado pelo mercado da produtividade em engenharia de software no equivalente a um aumento permanente de 32,6%. O efeito correspondente sobre o nível do PIB é de 3,6% no cenário base, e de 6,5% quando a maior produtividade em engenharia também eleva a produtividade de pesquisa e desenvolvimento.

A palavra que sustenta a frase inteira é esperado.

O que o estudo mede

Valor presente esperado é quanto vale hoje, aos olhos de quem compra uma ação, uma sequência de ganhos futuros. Não é registro do que já aconteceu. É um preço pago agora por uma crença sobre o que vai acontecer depois.

O desenho descrito no resumo tem três movimentos. Primeiro, os autores estimam a sensibilidade do retorno de cada empresa a um índice de ações de inteligência artificial. Segundo, verificam como essa sensibilidade varia conforme a parcela da folha de pagamento que a empresa dedica à engenharia de software. Terceiro, usam um modelo para traduzir essa relação de corte transversal em ganho de produtividade.

O que a metodologia captura, portanto, é a diferença sistemática com que o mercado trata empresas mais e menos expostas à engenharia de software quando as notícias sobre IA mudam. Se a ação de uma companhia com folha pesada em engenharia sobe mais do que a de uma companhia comparável com folha leve, sempre que o índice de IA se move, o modelo lê essa diferença como uma aposta em produtividade futura.

É uma medida prospectiva e disponível em tempo real, como os próprios autores a descrevem. Essa é a novidade metodológica. Ela não depende de pesquisa declarada por empresas, nem do atraso com que a produtividade entra nas contas nacionais.

A quebra temporal é o dado novo

O trecho mais relevante do resumo não é o 32,6%. É o que vem depois: até meados de 2026, em meio ao progresso rápido dos agentes de programação, o efeito estimado da IA sobre produtividade e PIB mais que dobrou em relação ao fim de 2025.

Os autores não imprimem o novo valor no resumo público. A aritmética direta sobre a base declarada colocaria a estimativa de meados de 2026 acima de 65% na mesma unidade de medida — um cálculo do leitor, não um número do paper.

Mais importante que a magnitude é a atribuição. A aceleração não é creditada à IA generativa em geral, e sim a uma categoria específica de ferramenta: agentes que executam tarefas de programação. O mercado, nessa leitura, passou a separar o que um modelo escreve do que um agente entrega — e reprecificou a segunda coisa.

Expectativa precificada não é produtividade entregue

Aqui a leitura precisa ficar exata, porque o estudo é rigoroso justamente nesse ponto. Os 32,6% são a expectativa que o mercado carrega, não um ganho verificado em qualquer empresa. O paper mede crença precificada. Não mede código entregue, prazo cumprido ou custo reduzido.

E existe evidência de campo apontando em outra direção, ao menos para uma categoria de trabalho. Em julho de 2025, a organização de avaliação METR publicou um ensaio controlado e randomizado com 16 desenvolvedores experientes de código aberto, que distribuiu 246 tarefas reais entre condições com e sem acesso a ferramentas de IA. Os desenvolvedores levaram 19% mais tempo para concluir as tarefas quando podiam usar IA. Antes do estudo, esperavam ficar 24% mais rápidos. Depois de terminar, ainda acreditavam ter ficado 20% mais rápidos.

A própria METR delimita o alcance do achado. As ferramentas eram do início de 2025, majoritariamente o Cursor Pro com os modelos Claude 3.5 e 3.7 Sonnet, e os participantes trabalhavam em repositórios grandes, com padrões altos de qualidade. A organização afirma explicitamente que o resultado não demonstra que a IA deixa a maioria dos desenvolvedores mais lentos, não se estende para fora do desenvolvimento de software e não prevê o desempenho de ferramentas posteriores.

As duas medidas não se contradizem de forma limpa. Medem objetos diferentes, com instrumentos diferentes: uma capta o que investidores esperam de uma tecnologia em 2026; a outra mediu o que aconteceu com um grupo pequeno de profissionais usando ferramentas de 2025.

A distância entre as duas é a informação útil. E ela tem nome: é a diferença entre produtividade precificada e produtividade realizada.

Há uma terceira observação que ajuda a entender por que essa distância não se fecha sozinha. Casos já documentados neste blog mostram que o ganho de velocidade na geração de código desloca o gargalo para a etapa de verificação — revisão, teste, aprovação — em vez de eliminá-lo. Gerar mais rápido e aprovar no ritmo de antes produz fila, não produtividade.

Onde a expectativa chega primeiro

A leitura a seguir é interpretação editorial, não resultado do estudo.

Expectativa precificada tem caminho curto até a mesa de negociação e caminho longo até o processo de entrega. Quem compra software sob encomenda lê as mesmas manchetes que o investidor lê, e ajusta antes o que considera prazo razoável e preço justo. Quem vende hora de engenharia descobre isso quando a proposta volta com uma pergunta nova: se a produtividade subiu tanto, por que o orçamento não caiu?

A pergunta é legítima e não espera o ganho aparecer na operação do fornecedor. É nesse ponto que a diferença entre as duas produtividades vira margem — ou vira desconto.

Para quem planeja quadro técnico para 2027, a implicação muda de lugar. O número que importa na decisão de contratação não é o ganho médio de produtividade por desenvolvedor, que ninguém mediu de forma conclusiva. É o ganho que o comprador do serviço já assume como dado quando abre a negociação. Os dois números podem ser muito diferentes, e só um deles entra no contrato.

Os limites do método

Três limitações são estruturais e vale enunciá-las com clareza.

A primeira é a natureza do documento. Working paper é texto de trabalho posto em circulação para discussão antes da revisão por pares. Não carrega, nesta etapa, o selo de validação de um artigo revisado.

A segunda é a dependência de modelo. A tradução entre a correlação observada nos retornos e um ganho de produtividade não é direta: passa por um modelo econômico com premissas próprias. Premissas diferentes produzem números diferentes a partir dos mesmos preços.

A terceira é a janela. A série cobre de novembro de 2022 a meados de 2026, exatamente o período de maior entusiasmo do mercado com inteligência artificial. Uma medida construída sobre expectativa herda os erros da expectativa. Se os investidores estiverem otimistas demais, o instrumento mede o otimismo com precisão e a produtividade com viés.

Há ainda a variável usada como aproximação de exposição: a fatia da folha de pagamento em engenharia de software. Ela indica quanto uma empresa depende da função, mas não o que essa engenharia faz nem quanto dela é automatizável.

Nada disso invalida o trabalho. Delimita o que ele autoriza a concluir. O estudo é uma boa medida do que o mercado acredita, e uma medida indireta, ainda não confirmada, do que a economia vai receber.

O que acompanhar

O teste do método virá do próprio método. Se a medida é prospectiva e disponível em tempo real, ela poderá ser comparada, daqui a alguns anos, com a produtividade que efetivamente aparecer nas contas nacionais. É um dos poucos indicadores de inteligência artificial que se expõe voluntariamente a essa verificação.

Três coisas merecem observação até lá: se a aceleração de meados de 2026 se sustenta ou reverte; se aparecem medições de campo feitas com ferramentas atuais, e não com as do início de 2025; e se a diferença entre expectativa e entrega começa a aparecer nas margens de quem vende engenharia por hora.

Enquanto isso, a leitura defensável é modesta. O mercado fez uma aposta grande, datada e mensurável sobre a produtividade da engenharia de software. Ainda não existe evidência pública equivalente de que a aposta tenha sido paga.